Çok bölgeli uçuş süresi sensörleri kullanılan otonom cihazlar için tinyml platformu ile nesne algılama
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: SERGEN ERKAN ARSLAN
Danışman: Bülent BOLAT
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Son yıllarda, üzerinde birçok sensör barındıran otonom robotların hayatımızdaki sayısı ve önemi her geçen gün artmaktadır. Büyüyen robot pazarı ile otonom robot araştırmaları her zamankinden daha çok ön plana çıkmaktadır. Çoğu otonom robot engelleri tespit etmek ve navigasyonu gerçekleştirmek için LIDAR, uçuş süresi (ToF) sensörü, ToF kamerası, derinlik kamerası, geniş açılı kamera, IR optik sensörler ve elektromekanik anahtarlar kullanmaktadır. Kamera tabanlı sensör sistemleri büyük miktarda işlem gücü ve hafıza gerektirmektedir. Dolayısıyla bu tür sistemlerin maliyetleri daha yüksektir. Ayrıca özel hayat gizliliği konusunda kullanıcı dostu değildir. Öte yandan daha basit sensör uygulamaları yüksek hata oranlarına ve daha kötü performansa sahiptir. Tek nokta tabanlı optik sensörler, otonomun gerekliliği olan küçük engellerin tespiti için uygun değildir. Bu tür sensörler için özellikle kablolar ve oyuncaklar gibi küçük nesnelerin tespit edilmesi oldukça zordur. Yapılan bu çalışmada, belirtilen sorunların üstesinden gelebilmek için çok bölgeli uçuş süresi (ToF) sensörü kullanılarak ve engelin varlığı ile konumunu tespit edebilen makine öğrenmesi modeli önerilmiş olup mikro denetleyici üzerinde koşabilen sıkıştırılmış ve optimize edilmiş makine öğrenimi (Tiny-ML) kullanılmıştır. Günümüzde hafıza ve işlem hızı olarak gelişen 32-bit ARM tabanlı mikro denetleyici sayısı günden güne artmakta ve internete bağlanabilen akıllı cihazlarda kullanımı yaygınlaşmaktadır. ARM tabanlı STM32F746NG 200 MHz saat hızına sahip mikro denetleyici kullanılarak robotun hareketi sırasında engellerin hızlı ve gerçek zamanlı olarak algılanması gerçekleştirilmiştir. Oluşturulan makine öğrenmesi modellerinin başarımları karşılaştırılmış ve sonuç olarak en yüksek başarıma sahip makine öğrenmesi modeli belirlenmiştir.